Three‐Dimensional Sensitivity Kernels for Multicomponent Empirical Green's Functions From Ambient Noise: Methodology and Application to Adjoint Tomography
Notice bibliographique
Résumé
Abstract Adjoint tomography has recently been applied to ambient noise data as a new and promising tomographic method that utilizes simulation‐based 3‐D sensitivity kernels rather than ray theory used in traditional ambient noise tomography. However, to date, most studies of ambient noise adjoint tomography only use vertical‐component Rayleigh waves. In this study, we develop a theoretical framework for calculating sensitivity kernels for multicomponent empirical Green's functions extracted from ambient noise data. Under the framework of the adjoint method, we demonstrate that a horizontal component (transverse‐transverse or radial‐radial) kernel can be constructed from the interaction of wave fields generated by point‐force sources acting in the north and east directions based on rotation relationships. Our method is benchmarked for a 3‐D heterogeneous isotropic model by comparing rotated seismograms, individual, and event traveltime misfit kernels with corresponding references computed by numerical simulations with sources directly placed in the radial or transverse directions. Based on our new method, we perform the first Love‐wave ambient noise adjoint tomography in southern California and construct an improved V S H model. Our method for computing sensitivity kernels of multicomponent empirical Green's functions provides the basis for multicomponent ambient noise adjoint tomography in imaging radially anisotropic shear‐wave velocity structures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».